CN112308412B - 基于评估指标的波浪发电典型场景生成方法 - Google Patents
基于评估指标的波浪发电典型场景生成方法 Download PDFInfo
- Publication number
- CN112308412B CN112308412B CN202011189578.8A CN202011189578A CN112308412B CN 112308412 B CN112308412 B CN 112308412B CN 202011189578 A CN202011189578 A CN 202011189578A CN 112308412 B CN112308412 B CN 112308412B
- Authority
- CN
- China
- Prior art keywords
- wave
- power
- clustering
- power generation
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000013486 operation strategy Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Eletrric Generators (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于评估指标的波浪发电典型场景生成方法,包括:对历史波面时序数据进行波高及周期的求解,按照摆式发电模型计算出波浪发电功率时序数据;计算发电功率时序数据的三个评估指标:幅值稳定性、持续时间稳定性和变异系数;对三种评估指标形成的特征向量进行k‑means聚类,利用聚类评价指标确定最佳聚类数,生成少量具有代表性的典型发电场景。本发明通过对特征向量数据集的聚类得到波浪发电功率的典型场景集,电力部门可以根据少量具有代表性的典型场景对评估电网规划的合理性和运行方案的可行性进行科学的指导,使规划方案和运行策略在最大程度上满足电力***需求,减少了计算复杂度和计算时间,对电网的长期规划运行具有重要意义。
Description
技术领域
本发明涉及波浪发电场景分析领域,尤其涉及一种基于评估指标的波浪发电典型场景生成方法。
背景技术
场景分析是描述不确定性、随机性问题的一种常用方法,电力***场景分析主要解决电力***中涉及的不确定性、随机性问题,是电力***规划和运行研究的基础性工作。电力部门可以根据少量具有代表性的典型场景对评估电网规划的合理性和运行方案的可行性进行科学的指导,使规划方案和运行策略在最大程度上满足电力***需求,减少计算复杂度和计算时间。
在国内外研究中,场景分析法主要运用于风力光伏发电,对于波浪发电的场景分析研究较少。根据研究背景和解决问题的不同现有的场景分析方法主要分为场景生成和场景缩减两个方面。场景生成的目的是获得大规模场景,场景缩减的目的是用少量代表性场景描述大量复杂性场景特征。大量场景的计算分析会增加计算的复杂度,增加计算时间,因此希望能形成具有代表性的少量场景以兼顾计算效率和精度。因为波浪具有很强的波动性和随机性,直接对波面数据进行场景分析无法提取场景特征得到少量具有代表性的场景。
发明内容
发明目的:针对以上问题,本发明提出一种基于评估指标的波浪发电典型场景生成方法,基于三个评估指标对波浪发电功率场景进行场景分析,可以较好的提取出场景特征,从而形成少量的具有代表性的场景,兼顾了计算效率和精度,对电网的长期规划运行具有重要意义。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于评估指标的波浪发电典型场景生成方法,包括步骤:
(1)对历史波面数据进行数据处理,获得波浪的波高与波周期时序序列;
(2)计算有效波高与有效周期,形成大量波浪发电功率时序场景;
(3)提取波浪发电功率时序场景的三个场景特征;
(4)根据多种聚类评价指标综合确定最佳聚类数;
(5)根据最佳聚类数对特征向量进行k-means聚类,得出发电功率的典型场景。
进一步地,所述步骤1具体包括:
(1.1)获取全年的历史波面数据时序序列;
(1.2)对波面数据进行预处理,去除数据缺失的小时时序序列;
(1.3)根据处理后的波面数据,利用“上跨零点法”计算得到波高与波周期小时时序序列。
进一步地,所述步骤2具体包括:
(2.1)根据波高与波周期的小时时序序列,利用波浪相关理论得出每个小时的有效波高与有效周期;其中,有效波高为最大的1/3部分波高的平均值;有效周期为最大的1/3部分波周期的平均值;
(2.2)根据典型波浪发电功率计算公式,求出波浪发电功率的日时序序列,形成大量发电场景。
进一步地,所述步骤3具体包括:
(3.1)对波浪发电功率日时序序列进行标准化处理;
(3.2)计算标准化处理之后的波浪发电功率日时序序列的幅值稳定性、持续时间稳定性和变异系数:
(3.3)标幺化处理后,形成特征向量。
进一步地,波浪发电功率日时序序列的幅值稳定性、持续时间稳定性和变异系数为:
幅值稳定性AS:
AS=Pmax-Pmin
其中,Pmax为理论发电功率标准化之后的最大值,Pmin为理论发电功率标准化之后的最小值;
持续时间稳定性TS:
TS=∑N(pt)(0≤t≤T)
其中,N(pt)为某个时刻t的标准化后理论功率的状态,pt为某个时刻的标准化后的理论发电功率;
变异系数C.V:
C.V=(SD/Mean)*100%
进一步地,所述步骤4具体包括:
(4.1)选取聚类评价指标:CHI指标、DBI指标、轮廓系数、KL散度、Hart指标、Wint指标、紧密性分散性综合指标;
(4.2)对特征向量数据集进行多次聚类,根据聚类指标随聚类数变化的曲线,寻找指标最优对应的曲线最值处聚类数作为最佳聚类数;
(4.3)综合分析各个聚类指标分别得到的最佳聚类数,选取最佳聚类数。
进一步地,所述步骤5具体包括:
(5.1)根据得到的最佳聚类数对特征向量数据集进行k-means聚类;
(5.2)根据特征向量数据集的分类结果,得到波浪发电功率时序的分类结果及发电功率的典型场景。
有益效果:本发明基于评估指标的波浪发电典型场景生成方法,通过计算波浪发电的评估指标,形成场景的特征向量,从而能够分析具有较强随机性和波动性的波浪。
本发明基于评估指标的波浪发电典型场景生成方法,对于聚类数选择,利用聚类有效性指标,综合分析特征向量,得到最佳聚类数,通过对特征向量数据集的聚类得到波浪发电功率的典型场景集。利用少量的典型性场景描述大量复杂性场景特征,兼顾了计算效率和精度,对电网的长期规划运行具有重要意义。
附图说明
图1是本发明所提方法的实现流程图;
图2是本发明所提方法中聚类有效性指标曲线图;
图3是本发明所提方法中得出的典型场景。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示,本发明所述的基于评估指标的波浪发电典型场景生成方法,包括步骤:
(1)对历史波面数据进行数据处理,获得波浪的波高与波周期小时时序序列;具体包括:
(1.1)获取全年的历史波面数据小时时序序列;
(1.2)对波面数据进行预处理,去除数据缺失的小时时序序列;
(1.3)根据处理后的波面数据,利用“上跨零点法”计算得到波高与波周期小时时序序列;其中,波高为两个连续跨零点间的波峰最高点到波谷最低点的垂直距离;周期为两个连续跨零点间的时间间隔。
(2)计算有效波高与有效周期,形成大量波浪发电功率时序场景;具体包括:
(2.1)根据步骤1.3中得到的波高与波周期的小时时序序列,利用波浪相关理论得出每个小时的有效波高与有效周期;其中,有效波高为最大的1/3部分波高的平均值;有效周期为最大的1/3部分波周期的平均值。
(2.2)根据典型波浪发电功率计算公式,求出波浪发电功率的日时序序列,形成大量发电场景。
典型波浪发电功率计算公式采用摆式波浪发电模型进行计算:
P=ηBH1/3 2T1/3 (1)
其中,B为摆式发电模型的摆宽,H1/3为有效波高(m),T1/3为有效周期(s);取B=5m,η取0.441。
(3)提取波浪发电功率时序场景的三个场景特征;具体包括:
(3.1)对步骤2.2中得到的波浪发电功率日时序序列进行标准化处理;
(3.2)计算标准化处理之后的波浪发电功率日时序序列的幅值稳定性、持续时间稳定性和变异系数:
幅值稳定性:理论发电功率标准化之后的最大值和最小值之差,物理含义是给定的周期内理论发电功率的振荡值的大小:
AS=Pmax-Pmin (2)
持续时间稳定性:在给定的周期T内,对理论发电功率进行标准化处理之后,功率会在零点上下波动,定义发电持续时间的稳定性值大小为TS,TS为标准化处理后经过零点的个数:
TS=∑N(pt)(0≤t≤T) (3)
其中,N(pt)为某个时刻t的标准化后理论功率的状态,N(pt)等于1表示该时刻的经过零点,N(pt)等于0表示该时刻不经过零点,pt为某个时刻的标准化后的理论发电功率。
变异系数:变异系数越大,波动性越大,离散的程度越大。
C.V=(SD/Mean)*100%
(3.3)标幺化处理后,形成特征向量。
(4)根据多种聚类评价指标综合确定最佳聚类数;具体包括:
(4.1)如图2所示,选取聚类评价指标:CHI指标、DBI指标、轮廓系数、KL散度、Hart指标、Wint指标、紧密性分散性综合指标。
CHI指标(Calinski-Harabasz Index):
式中,N为总样本数量,是全体样本数据的平均值,μk,i为第k类中第i个数据对本类的隶属度,W为类内紧密性,B为类间分散性,CHI指标越大,表明聚类效果越好。DBI指标(Davies-Bouldin Index):
由定义可知,DBI越小,类内距离越近,类间距离越远,效果越好。
轮廓系数(Silhouette Coefficient):
式中,a(i)定义为i样本与同类簇内其它样本间的距离平均值,表示类内紧密性;b(i)定义为i样本对其它每个类簇,求i样本到该类簇所有样本的距离平均值的最小值,可反应类间分散度。轮廓系数的取值在[-1,1],当s(i)越接近1,说明聚类结果对i样本来说越合理;反之,当s(i)越接近-1,说明i的聚类结果越不合理;若s(i)趋近于0,则说明i样本介于两个类簇之间。
KL散度(Krzanowski-Lai Index):
Diff(k)=(k-1)trW(k+1)-k*trW(k) (12)
式中,trW(k)为第k类类内协方差矩阵的迹,KL值越大,说明类间相似度越低,聚类效果越好。
Hart指标(Hartigan Index):
将小于等于10的此指标最小值所对应k值当做最佳聚类数。
Wint指标(Weighted inter-to intra-cluster ratio):
Wint指标同时考虑类内与类间聚类效果,其值越大,聚类效果越好。
紧密型分散性综合指标:
其中,表示第i类的类内紧密性,Ωi表示第i类的数据个数,xi表示第i类内的数据样本,ωi为第i类的聚类中心,表示k类结果类内紧密性的均值。由定义可知,指标越小,表示类内数据距离越近,效果越好。指标越大,表示不同聚类中心距离越远,效果越好。
(4.2)对特征向量数据集进行多次聚类,根据聚类指标随聚类数变化的曲线,寻找指标最优对应的曲线最值处聚类数作为最佳聚类数。
对特征向量数据集重复进行50次实验,各指标得到的最佳聚类数k按照(k/50)*100%计算所得百分比情况统计,如表1所示。
表1
(4.3)综合分析各个聚类指标分别得到的最佳聚类数,最终选取最佳聚类数为k=3。
(5)根据最佳聚类数对特征向量进行k-means聚类,得出发电功率的典型场景,如图3所示。具体包括:
(5.1)根据得到的最佳聚类数对特征向量数据集进行k-means聚类;
(5.2)根据特征向量数据集的分类结果,得到波浪发电功率时序的分类结果及发电功率的典型场景。
Claims (3)
1.一种基于评估指标的波浪发电典型场景生成方法,其特征在于,包括步骤:
(1)对历史波面数据进行数据处理,获得波浪的波高与波周期时序序列;
所述步骤(1)具体包括:
(1.1)获取全年的历史波面数据时序序列;
(1.2)对波面数据进行预处理,去除数据缺失的小时时序序列;
(1.3)根据处理后的波面数据,利用“上跨零点法”计算得到波高与波周期小时时序序列;
(2)计算有效波高与有效周期,形成大量波浪发电功率时序场景;
所述步骤(2)具体包括:
(2.1)根据波高与波周期的小时时序序列,利用波浪相关理论得出每个小时的有效波高与有效周期;其中,有效波高为最大的1/3部分波高的平均值;有效周期为最大的1/3部分波周期的平均值;
(2.2)根据典型波浪发电功率计算公式,求出波浪发电功率的日时序序列,形成大量发电场景;
(3)提取波浪发电功率时序场景的三个场景特征;
所述步骤(3)具体包括:
(3.1)对波浪发电功率日时序序列进行标准化处理;
(3.2)计算标准化处理之后的波浪发电功率日时序序列的幅值稳定性、持续时间稳定性和变异系数:
(3.3)标幺化处理后,形成特征向量;
所述波浪发电功率日时序序列的幅值稳定性、持续时间稳定性和变异系数为:
幅值稳定性AS:
AS=Pmax-Pmin
其中,Pmax为理论发电功率标准化之后的最大值,Pmin为理论发电功率标准化之后的最小值;
持续时间稳定性TS:
TS=∑N(pt),0≤t≤T
其中,N(pt)为某个时刻t的标准化后理论功率的状态,pt为某个时刻的标准化后的理论发电功率;
变异系数C.V:
C.V=(SD/Mean)*100%
(4)根据多种聚类评价指标综合确定最佳聚类数;
(5)根据最佳聚类数对特征向量进行k-means聚类,得出发电功率的典型场景。
2.根据权利要求1所述的基于评估指标的波浪发电典型场景生成方法,其特征在于,所述步骤(4)具体包括:
(4.1)选取聚类评价指标:CHI指标、DBI指标、轮廓系数、KL散度、Hart指标、Wint指标、紧密性分散性综合指标;
(4.2)对特征向量数据集进行多次聚类,根据聚类指标随聚类数变化的曲线,寻找指标最优对应的曲线最值处聚类数作为最佳聚类数;
(4.3)综合分析各个聚类指标分别得到的最佳聚类数,选取最佳聚类数。
3.根据权利要求1所述的基于评估指标的波浪发电典型场景生成方法,其特征在于,所述步骤(5)具体包括:
(5.1)根据得到的最佳聚类数对特征向量数据集进行k-means聚类;
(5.2)根据特征向量数据集的分类结果,得到波浪发电功率时序的分类结果及发电功率的典型场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189578.8A CN112308412B (zh) | 2020-10-30 | 2020-10-30 | 基于评估指标的波浪发电典型场景生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189578.8A CN112308412B (zh) | 2020-10-30 | 2020-10-30 | 基于评估指标的波浪发电典型场景生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308412A CN112308412A (zh) | 2021-02-02 |
CN112308412B true CN112308412B (zh) | 2022-11-11 |
Family
ID=74334029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011189578.8A Active CN112308412B (zh) | 2020-10-30 | 2020-10-30 | 基于评估指标的波浪发电典型场景生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308412B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227751B (zh) * | 2023-05-09 | 2023-07-07 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
CN111509774A (zh) * | 2020-04-29 | 2020-08-07 | 国网山东省电力公司电力科学研究院 | 一种用于满***直流独立供电的波浪能发电***及其运行控制方法 |
CN111555342A (zh) * | 2020-04-29 | 2020-08-18 | 山东电力研究院 | 一种波浪能发电汇集与综合供电***及其运行控制方法 |
-
2020
- 2020-10-30 CN CN202011189578.8A patent/CN112308412B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
CN111509774A (zh) * | 2020-04-29 | 2020-08-07 | 国网山东省电力公司电力科学研究院 | 一种用于满***直流独立供电的波浪能发电***及其运行控制方法 |
CN111555342A (zh) * | 2020-04-29 | 2020-08-18 | 山东电力研究院 | 一种波浪能发电汇集与综合供电***及其运行控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112308412A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11043808B2 (en) | Method for identifying pattern of load cycle | |
Jiang et al. | A fused load curve clustering algorithm based on wavelet transform | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
Li et al. | Midterm load forecasting: A multistep approach based on phase space reconstruction and support vector machine | |
Yang et al. | A composite framework for photovoltaic day-ahead power prediction based on dual clustering of dynamic time warping distance and deep autoencoder | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN106548013B (zh) | 利用改进不完全s变换的电压暂降源识别方法 | |
CN109325607A (zh) | 一种短期风电功率预测方法及*** | |
CN102832617A (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及*** | |
CN106503279B (zh) | 一种用于电力***暂态稳定评估的建模方法 | |
CN105574642A (zh) | 一种基于智能电网大数据的电价执行稽查方法 | |
CN112308412B (zh) | 基于评估指标的波浪发电典型场景生成方法 | |
CN104376402B (zh) | 一种基于频域指标的负荷特性分类与综合方法 | |
CN102982347A (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
CN111260503A (zh) | 一种基于聚类中心优化的风电机组功率曲线离群点检测方法 | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及*** | |
CN115660182A (zh) | 基于最大期望样本加权神经网络模型的光伏出力预测方法 | |
CN117543589B (zh) | 一种梯级水电安全集控***调度方法 | |
KR20230076695A (ko) | 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
CN112270084B (zh) | 数据驱动的高比例可再生能源电力***运行场景辨识方法 | |
CN115149528A (zh) | 一种基于大数据非侵入技术的智能电能表分布式预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |